MINIMAX联手NOUS研究AI模型进化 EVO指控遭否认

MiniMax联手Nous研究AI模型进化 EVO指控遭否认 随着AI在数据构造与实验复盘中承担起超七成工作，人类工作流正从以人为主体转变为围绕AI的自动化引擎重新构建生产方式。 对话深入探讨了Agent Harness（框架）从“养虾”（OpenClaw）到“训马”（Hermes）的技术演进与爆发契机，拆解了记忆组件、自我进化及多Agent协作在突破单模型智能瓶颈中的核心作用。MiniMax团队分享了下一代多模态模型M3的展望，以及模型层如何内化应用层Skill的技术路径。同时，嘉宾们对中美大模型差距、Agent基础设施层创业机会以及“零雇员公司”中人类不可替代的“品位（Taste）”与创造力进行了深刻的行业展望。 随着 MiniMax M2.5、M2.7 等模型 Agentic 能力的提升与即时通讯（IM）交互的普及，以 OpenClaw 为代表的工具填补了国内体验空白，正式拉开大众 Agent 时代的序幕。 (0:00) 定位为连接 LLM“大脑”与工具“双手”的 Hermes Agent，凭借多层次记忆系统与将工作流固化为技能（Skill）的机制，解决了长期记忆丢失的痛点，日 Token 消耗迎来爆发式增长。 (3:00) 针对单个 Agent 在上下文占用超过 50% 后容易降智与钻牛角尖的问题，多 Agent 交叉验证成为突破瓶颈的关键，而人类工程师正逐步转向负责高阶的方向判断与 Taste（品位）。 (29:59) 即便“零雇员公司”与全自动长程任务逐渐成为可能，任务的起点与动力源依然必须由人类定义，类似历史上的“ATM机效应”，Agent 技术将重塑生产方式而非抹杀人类的创造价值。 (39:59) Agent 与 Chatbot 的本质差异在于具备与环境持续互动的交织思考（Interleaved Thinking）能力，而随着底座模型能力的快速跃迁，许多开发者搭建的 Skill 和工作流正在被模型自身逐步内化。 (49:59)

对话探讨了 Agent Harness 如何连接大语言模型“大脑”与外部执行“双手”，指出 Harness 与多 Agent 协作正在打破单模型长文本衰减与记忆断层瓶颈；MiniMax 与 Nous Research 嘉宾认为，尽管底层模型正通过自我进化不断内化应用层技能，但人类的意图设定与“品位”（Taste）依然是技术无法替代的核心动力。 Harness框架定义与工程落地驱动力 (3:00) Tommy 将大语言模型比作“大脑”，而将 Agent Harness 定义为负责工具编排、编排循环、状态管理与错误处理的“双手”。早期出圈的 OpenClaw 项目因即时通讯接入迅速普及，但也暴露了每天下午 4 点重置记忆等稳定性缺陷。Nous Research 开发的 Hermes Agent 则在此基础上强化了多层次记忆系统，允许将成功的工作流沉淀为可百分百复现的“技能”（skill）。其 Portal API 支持用户在两小时内完成部署，推动 Hermes 在 OpenRouter 上的日 Token 消耗量从 20 亿增长至近期单日近 3000 亿，其中 MiniMax M2.7 每日贡献超过 250 亿。 针对开源社区 EvoMap 提出的架构抄袭指控，Tommy 回应称 Hermes 代码库已存在近一年，此前团队从未听说过该项目，并强调 Nous Research 由开源理念驱动，无抄袭动机。 单Agent瓶颈与双Agent交叉验证 (24:59) 研发工程师泽英指出，在云端沙盒挂载多个 Agent 高并发尝试后，人类频繁切换上下文输入反而成为了最大的效率瓶颈。阿导进一步从模型机理解释，单 Agent 存在物理极限：长对话中上下文空间使用超过 50% 后，模型智能往往出现指数级衰减；且因缺乏反思机制，一旦执行轨迹发生微小偏差就极易陷入“钻牛角尖”。 为突破上述限制，团队引入了双 Agent 交叉验证机制，以两倍的上下文与算力预算实现对立纠错。此外，相较于单向执行的传统规划，Anthropic 在 Claude 3.5 Sonnet 中确立的“交织思考”（Interleaved Thinking）范式，使模型能在与环境交互的每一步后重新推演，构成了长程任务解决与普通 Chatbot 的本质分野。 自我进化管线与应用层技能内化 (29:59) 在模型研发流程中，MiniMax 透露其强化学习管线已有 70% 到 80% 的工作（涵盖数据清洗、寻找、构造及 RL 环境搭建）交由“模型+Agent”自主闭环完成，人类工程师主要在剩余的 30% 环节负责实验结果校验与品位把关。生产范式正从“以人类为中心、AI 适应人类”转向“围绕高能力 AI 重构协作体系”。 但这种进化也带来了严峻挑战。Minimax 代表指出，真实世界中由外部开发者搭建的 Skill 与工作流轨迹，正作为极佳的数据分布被模型厂商学习并内化到下一代基础模型中。长远来看，缺乏壁垒的垂直 Agent 极易被原生具备 Coding 和多模态能力的通用底座模型取代，人机交互也将从观察工具调用逐步演变为去过程化的极简交付。 范式竞争、组织形态与人类Taste定位 (39:59) 在生态路径上，相较于依赖工程师编写的 MCP 协议，“Skill + CUI”范式凭借人人可写与社区分发优势构成了更强的扩散力。针对“零雇员公司”的行业构想（如仅靠自我编写代码、公开发帖并依靠打赏购买 Token 存活 43 天的 YoYoYoAgent），嘉宾一致认为执行环节虽可高度自动化，但驱动目标的起点依然需要由人类的审美与品位（Taste）定义。 关于中美大模型差异，与会者认为差距不在训练认知，而在对真实任务的定义以及顶尖人才智慧的蒸馏方法论上。 与会者认为，Agent 的普及不会直接导致人类被替代，其逻辑契合“ATM 机效应”——自动化降低单点成本后反而推动了业务扩张与更有价值岗位的人力重组。随着原生多模态与云端受信环境的成熟，复杂的交互界面和提示词工程将逐步退场，人类与 AI 的协作重点将彻底回归到意图创造与方向裁量。

[3:00] Tommy Eastman: if the model is the brain then the agent harness is the hands [25:00] 择因: 人类自己成为了最大的瓶颈 [25:00] 择因: 人类成了瓶颈 [19:59] 阿岛: 去约束 Agent，但又给它一定自由，让它能够完整交付成果 [29:59] MiniMax代表: 人已经开始成为瓶颈 [34:59] 主持人: 不要去觉得模型做不到，而是要想“模型能够做到，我应该如何让它做到” [39:59] YoYoYoAgent的工程师: 打败 Cloud Code [39:59] 一人公司创作者: 未来很可能没有“一人公司”，只有“零雇员公司” [39:59] 嘉宾: Taste（品位）是不可取代的 [44:59] MiniMax代表: 如果一个模型公司的目标不是AGI，那它今天就不应该存在，因为没有意义。 [69:59] 嘉宾: 中国式家长 [79:59] 嘉宾: 打不过就加入

[0:00] Hello,我们也非常开心请到了三位嘉宾那目前和我坐在上海直播间的两位嘉宾一位是阿导阿导是Mimax的首席架构师然后另外一位泽音也是Mimax的研发工程师要不二位先给大家打个招呼好,大家好,我是阿导我负责Mimax的研发团队然后加入Mimax已经快三年了然后我们在线上也请到了我和我们Mimax有深度合作的Hermis Agent的产品和策略的负责人这应该是Hermes Agent最近这一个月最火的这样一个Agent在中国和大家的首次沟通大家好我是泽英我是MiniMax的Agent研发工程师我们今天坐在这里是因为有一个全民的一个叫养虾的热度但好像养虾的热度现在又一夜之间它又下去了所以想先请二位从你们的视角来复盘一下我觉得中国的农历春节每年都非常的有意思去年火的是Deep Seek然后春节之后让大家对AI有了一个完全全新认识之前可能会觉得离我们还很远不过今年也是一样的其实OpenCore它活起来也比较凑巧在和硅谷时间大概是从1月份开始我记得是在我们IPO上市的当天我们和Peter就有一个这样的一个联系因为那天也很巧就Anthelophic他是封禁了这个OpenClaw的订阅的使用所以Peter他也非常希望能找到一个这样的一个非常适合龙虾的一个模型因为大家知道龙虾是非常的小号token的我们其实当时也没有意识到这个项目会那么火然后接下来他在海外就开始火起来然后Manymini开始收庆然后我们也没有想到他在国内会这么火而且海外还要火对对对是的大概会有几层的原因吧第一层的原因在国外的话大家其实已经在之前就接触到比如像Cloud Code比如说像Codex这样的一些包括像Codex这样一些已经比较好用的这样的一些agent但在国内之前可能大家还没有接触到比较好用的agent那这里面我觉得还有一个更底层的原因是因为国内的模型可能在更前一个阶段它其实没有那么强的这样的一个agentic的这样的一个能力随着包括像MIMAX M2.5 M2.7这样模型的发布其实国内的模型也具备了这样的一些能力以及有了一个像OpenCore这样能够让大家通过IM就非常容易揭露的方式它实际上让中国的用户完成一个接近于从0到1的这样一个体验被捅破了那层窗户纸另外一个原因我觉得也是字节这次拿下春晚对豆包的一个全面的all-in的这样的一个投入所以我觉得是这两件事它结在一起让所有人对AI的认知就真正的进入agent时代你们认为是出于什么原因好像一下子大家就从养虾去聊到了训马就是关注度从OpenCloud到了这个Arms Agent就中间发生了一些什么样的拐点或者出发的事件从OpenCloud爆火到逐渐平稳到最后最近的Ermys也就是我们的Ermys的火起来大概是花了一个月在这一个月之内的话大家基本上都已经体验过了一下Open Cloud但它确实会有些不稳定的特点它每天四点钟它会刷新一次记忆然后这时候你可能比较好的和它交流过以后过了一天它就会说我们昨天聊了什么我忘记掉了等等其实Ermys就是抓住了这些痛点它在记忆方面做的特别的用功而且它做的非常有多层次的记忆从这个角度来讲的话它确实在一定程度上去弥补了OpenCloud的不足所以说它是有一定活起来的一些技术上的基础的然后一同时的话确实大家在使用龙虾的过程中已经享受到了一定程度上由AI带来的提效那如果在这个情况下我们再去向用户说明我们有一个更加强大的agent出现那其实大家的接受度会更高所以这应该是一个双向奔赴the framework that an llm uses to operate out in the world like if the model is the brain then the agent harness is the hands it handles a bunch of coordination from tool orchestration the orchestration loop it manages state handles errors that the llm runs into and it really we're seeing now it allows the model to be you know maximally useful to users i think to your第二点点,有几个重要的东西,第一点是,它非常非常好,它是非常容易的,我们的新的Portal API可以从到应该的工作,在两个小时的时间,所以这就是一个大部分,没有任何极限的设备。我认为, [4:59] Secondly, what people really enjoy is the memory component, which is probably the most interesting part. If you've used an agent a bunch, you've had the frustrating experience where you ask it to do something. It might do it correctly. And then you ask it to do that same thing another time and it doesn't do it correctly, which it makes it really hard to trust the agent to actually go work for you. Hermes agent's memory component allows it to remember this workflow, save it as a skill so that once you've called on it to do something and it knows that that's the right thing to do, it will always be able to reproduce that pathway. And that's just that makes it so much easier to use and so much easier to trust, which also kind of gets into your into your question of self evolution. The agent continually gets better. This knowledge compression that happens in self evolution is incredibly valuable. allows more consistency across different models especially. So if you have eight different models, but you're using the same harness and you have the same skills, you'll get the same outputs that you want from these models. And so it allows you to kind of swap models for different tasks but still have your core tasks be very performant and very trusted Yeah Yeah Thanks Tommy So before we go deeper can you tell us a bit about your company in the NOOS research Right. How did the team come together and what's the vision behind it? Especially the ERMS agent feels like it came out of nowhere. So what was the journey like behind the scenes? Yeah, for sure. Great question. The origin story of News Research is a really unique one. It started in a very organic way with people that, one, cared deeply about open source, and two, loved playing with AI models. And they started congregating in this Discord channel called News Research. That is still the core channel that we use today. That was back in 2022. And we've pushed a bunch of really high-quality research along the way. The first efforts were around post-training the Lama models. When Meta was releasing the Lama models, they were really the only ones open-sourcing models of that quality. And that's where the Hermes name comes from. Oh, interesting. So what was it? Yeah these first post of Lama models were called the Hermes agent Hermes being the messenger of the Greek gods And this is different than the Hermes agent right These are post trains of Lama and they were focused on making models sound more human right Like not the strictly personal assistant, very AI way of speaking. More pliability, more text diversity than other models at the time. And they were state-of-the-art post trains in many categories when that was happening. In conjunction with training Hermes models, we worked on YARN, which was the algorithmic research that enabled context length and models to go from 4K to 128K. We published that, and it was immediately incorporated in every major model company going forward. That was sort of the birth of what we now call thinking models. And then in turn, it's become the basis for agentic models. Uh news research has also spent significant time doing distributed training research um authored the distro paper which was a novel optimizer that allowed us to train across non co GPUs meaning we can aggregate you know disparate compute to amount to meaningful training runs which is you know critical to have the ability to continue to train open source models But luckily we have a bunch of great companies like Minimax and more that are continuing to kind of push the banner of open source But yeah, that brings us to the Hermes agent, which also has an interesting origin story. I'd call it a very utilitarian birth. Technia, our head of post-training and co-founder, he wanted an assistant to help him manage his you know, his daily work, his post trains. And he built this agent as a tool for that. So first and foremost, it was just supposed to work for him. No evals, no benchmarks in mind. He just wanted something that could help him. And I think that right there is in essence, like the beauty of Hermes Agent and why it was successful. Okay. So when was that? I mean, is it like a year ago? Yeah. So he started working on it about a year ago as an assistant really to help him, but as an open source lab, we naturally wanted to open source it. And really it gained more attention than we could have expected. And as you guys, I'm sure, have all seen, the open router chart went from doing 2 billion tokens a day to 20 billion tokens a day in a little bit over a month. And I think yesterday was almost 300 billion tokens a day. Wow. That's huge. That's unbelievable. [9:59] Is there any moment you feel like it's the trigger that Ehrman's agent goes massive? Do you have this moment? You know, I think that it's a good question. It's gotten very big very quickly, right? And it's been pretty, I don't want to say surprising, but I think we're definitely very happy with the growth rate. Again, we didn't have a ton of expectations in how this would be received. Obviously, OpenClaw had been really popular. But again, I think the fact that people are able to get their hands on it and use it really, really quickly and really easily is a huge selling point. And people don't want to deal with, you know, code bloat and the complications of having to, you know, tinker with a bunch of different settings and features. And Hermes Agent comes bundled where you can just drop it on your computer or drop it on a VPS and be running very quickly. So I think it suits really well for wide scale adoption in that sense. So do you think your success has a strong connection with OpenCloud? Do you think there is I mean relationships or any I mean connections between you and OpenCloud Yeah good question I mean it certainly connected I think there a confluence of factors that have caused this this sort of blow up in in these agents And I think one models have finally gotten to the level of proficiency that can really be helpful to people. This was obviously kicked off by the massive improvement in Opus this winter. to write that sort of like step function improvement in the quality and performance of Opus. It opened the door for these agent harnesses to come in and allow people to do better things with these models. And I think what's cool is that very quickly, open source labs have produced, you know, comparable models or rapidly approaching the quality of Opus. And as for the difference between OpenClaw and Hermes, you know, I touched back on what I said earlier is that I think we've really optimized for usability and utilitarian purpose out of Hermes Agent. We've kept the sort of the guide, the North Star as usability, as how good is it at performing tasks that users want, not as you know how well is it performing on this eval How well is it benching here really kept a product focus in mind I think it really easy in the open source community especially when you trying to manage a product that a whole bunch of people are using and they have different asks, different wants, different code updates. And, you know, hundreds of PRs, thousands of PRs per day. I think it's really easy to, you know, get code below and have that have a negative impact on the quality of the product. And I think we've done a really good job of protecting that and keeping Hermes agent something that is very easy, that is very easy to use. And so that coupled in with the memory system that we talked about of the Hermes agent, I think are two key differentiators because that memory, again, really allows people to trust the model. It allows them to not worry about, you know, constant mistakes. I think one big differentiator as well is our brand. I think news research has worked really hard to maintain a very cypherpunk aesthetic. And we have incredibly talented designers that keep everything we do looking beautiful, aesthetically pleasing. And we spend a lot of time cultivating a really smart and ethos aligned community who love trying the things that we release And we of course owe that community a ton of credit in making Hermes Agent successful as well Yeah, that's cool. And I think there is one another thing which is cool. It's Hermes Agent's story, your relationship with Minimax team. So can you walk us through how did you guys collaborate with each other? Yeah, for sure. We're definitely a huge fan of the Minimax team and Minimax models. Their commitment to the quality of models, one, especially across many different modalities is really impressive. Their commitment to open source is what allows products like Hermes Agent to be so cool as well. You can have a variety of different models that you can swap in and out, figure out what your preferences are. and make your Hermes agent as customized as possible, right? And we've seen users loving the Minimax models. We've also been collaborating on benchmarks for the Hermes agent with the Minimax team. We've discussed the technical approaches with Minimax on the best ways to integrate Hermes into the sort of next generation, if you will, of agentic model training, right? [14:59] especially in that self-improvement layer. And working with labs like Minimax is mutually beneficial because it makes models more performant in the agent harness, getting both a better user experience for our end users and also helping, you know, helping Minimax showcase, you know, these are super performant models that they can help you in your day-to-day work and day-to-day life. But yeah, the, the relationship started super organic. I think Leanna, you know, DMed Technium on Twitter and, you know, just said, hey, love what you guys are doing. And so we've been close since then. We've hosted some events in person together and hope to continue to do more of that. Yeah, we will. Yeah, that's cool. So I also would like to know which models are ARMS agent users actually choosing? And because we noticed the official X account mentioned that Minimax M2.7 is your users mostly use the model. And I think that's a pretty striking data point. So besides for that, what are you saying in terms of the Chinese open source models versus other frontier models? And specifically, what is it about M2.7 not working so well inside Hermes Agent Yeah another great question I think what really interesting about Hermes Agent users is that seemingly they very model curious So they want to try new models. We have over, I think, 10 to 12 different models getting very meaningful token usage daily. And like I think you said, M27, I think, is doing 25 billion or more tokens a day on Benrouter, which is awesome. People in the news community and the newcomers to the news community using Hermes Agent clearly like to experiment. They like to tinker. They want to figure out which model fits their use cases best. And to your point on open source, China clearly holds the lead in open source models right now. Opus is still right at the top of the totem pool overall. But I think even that gap is showing we've never had more parity between open source and close than we do right now. And I think that gap is going to continue to shrink. I think with M2 generally we just had great reports from users on Hermes Agent It hard to say what all of our users like about it specifically because there so many different users with so many diverse use cases But clearly a lot of it is being driven towards Minimax models. I personally have used Minimax models a bunch, find them quite good. And I think that what is cool is the post-training collaborations we're working on with Minimax will only make performance better, both of the Minimax models themselves and then Hermes agent's ability to mesh with those models. Yeah, actually, we are training Minimax M3 now, and Hermes is one of our supporting harness, and we're sure Hermes and M3 will give all users and developers the better performance and surprise. Yeah. Okay, looking forward to M3 model. Okay. So, Tom, I'm not sure if you can say, because we are in a live show. There are many comments popping up on our screen. So some comments are congratulating on your success. But there are also other comments we are wondering about a few days ago A Chinese team called Evomap published a technical report claiming that ARMS agent self architecture looks nearly identical to their open source project Evolver We've seen that report too. What's your response? Good question. You know, I think I've spent years now in AI and in crypto, and I think there's always tons of people on Twitter or whatever social media you may see. saying all sorts of things whenever somebody has success. The Hermes Agent repo has been around for a very long time, around a year now. Technium has been using it for a very long time. He hadn't even heard of EvoMap until those tweets came out. I think that the nice thing about research is that it has a long track record of producing state-of-the-art research in AI. and those that have followed us or taken the time to get to know us, like the Minimax team, for example, we're a deeply ideologically driven team and have no interest in really doing anything other than championing Open Source AI, certainly aren't copying repos and trying to claim them for ourselves. So yeah, I think that should address those claims. Okay. [19:59] So thanks for the response, Tommy. Do you have any questions for us? I'd love a sneak preview on what the expectations for M3 are. Everybody on our end is very excited about that and would love to hear how you guys are thinking about that release and what sort of the next step is to take Minimax models to the next level. Okay. First of all, M3 will scale up. Yeah, that's for sure. And so we will get a larger and more intelligent model, especially on coding and general working scenarios. We will push it via the SOTA model in all the agentic scenarios. It will be native models. So it will support video and image inputs naturally. And so it will unlock a lot of scenarios and user demands. I think in both coding and routine works our goal is that all people can do the creativity jobs and all the repeated jobs can leave to agents. So the productivity will be leveraged and we could all do with that thing. Yeah. That's great. So when will the M3 model publish? Well, it won't be far, but I can't talk now. Looking forward to it. But I think what I can tell more is we'll get larger and larger and more and more intelligent model, but affordable and accessible model for everyone. Our goal is that everybody, intelligence with everyone, so everyone could afford a seven-day and 24-hours agent take a model and agent with their life and job and I think that's what also Hermes agent and NOS research want deliver for the world Thanks Tommy Thanks for joining us Yeah thank you guys so much for having me looking forward to more collaborations in the futureOK youTake careByeOK首先想请问一下这个二位再给我们介绍一下我们今天一直在说这个harnessharness那当我们说到harness的时候我们到底在说什么在我看来的话它其实就是一个你去约束agent但是又给它一定自由就能够完整的交付给你一些成果最早提出来的时候就可以关注OpenAI他们官网的一篇文章在那里的话他正式宣布了有Hannes这样一种agent的应用方式然后从偏技术的角度来讲的话他可能分为六层但是我们可以先不聊的那么技术一点你就假设一下你有一个同事然后他全都听你的但是你得和他先约定好他能干什么你能干什么对吧他有些事情不能帮你做但是有些事情的话你就完全可以放任他去做对吧当你约定好这些并且给他配置好一些比如说他的模型是什么他有什么工具等等给他一定的能力就像是你给一个同事给他一台笔记本又给他一个电话他能打电话给他邮箱账号他能发邮箱一样给他一定能力之后的话他就可以开始干活了但是我可能现在说的比较像工作生产中的场景就是以人的方式去形容agent但是落到技术上来说其实你就是需要去给予agent大量的工具环境和自由度并且要给予他们约束以及要给他们一些互相对抗性的目标比如说某个agent它的作用就是去产出某个内容但另一个agent如果他想把工作停下来那么你就得去审查出这个工作内容中的问题等等通过这种多个agent的组合就像是我们同事之间互相合作的这种方式让他们能够产出一个单个agent完全无法产出的一个更加高质量的结果并且你其实在此之间完全不需要去做更多的介入这其实就是一个Hannis这样一个概念当然这个概念我觉得它在这个时机其实也是有一定的物理条件的首先我们的模型都变得更加聪明了大家的那个模型都有一定的Agentic能力了并且在此技术之上的话大家也愿意的去把更多的能力包括像是操作邮箱或者是操作你的服务的发布等等给他分享了然后Hannis就自然而然的诞生了 [24:59] 我可以补充一个视角好的就其实我觉得Hines这个词是OpenAI可能通过那篇文章它来去定义出来但在那段时间其实它已经很火了但我觉得这层窗户纸它可能是通过那篇文章来去捅破的就大家形成了一个共识我们用什么词来形容我们在做的一切实际上大家的实践已经在那之前了比如说大概在去年90月份的时候包括我们在内部讨论的时候我自己的工作流中我实际上已经不怎么用IDE然后我可能同时并发五六个agent甚至这只是在我本地可能在云端有十个agent在Sendbox上在为我工作然后他们都是在GitHub上尝试了不同的分支和想法那这时候我会发现我成为一个极大的瓶颈自己人类成了瓶颈Yes 就是人类成了瓶颈其实那时候已经不是agent成为瓶颈了因为我需要不断在这些上下文中切换然后给他们输入所以这时候我们想的一个东西就是说怎么样让它能自己更自动化因为人类包括你看那个OpenEye他们的那个Hannis那篇文章作者最近到播客里面来分享他们也说到他们的感受也是很类似的所以我觉得这些东西都是非常的相通的就大家都在那个时刻感觉到了这一点所以我们在想的就是说OK怎么样解决这个瓶颈对吧因为我们做技术的人总想去做优化那解决这个瓶颈最重要的办法就是说让那些原来需要人来去确认的事情比如说他要去获得这个程序到底能不能部署在生产环境上运行到底他的结果是不是正确然后他比如说他去真实的去做测试比如说他能够去开APTES本质上就是说他能够获得真实的反馈然后并且通过这个反馈的这个链路他能够越来越知道在他这个过程中怎么做他可能是沉淀为skill可能是沉淀为一个coi可能是沉淀为一个hooks我不知道大家看过有没有我那个年代的东西叫高达WO然后他的特点就是说他的那个engine引擎非常的强大我们其实需要去造一个高达那样的机甲然后怎么让这个引擎能力最大的发挥出来所以我认为Honis就是那样一个东西所以他们为什么把它叫婉拒就是你有一批很厉害的猎码但怎么样让它最能够发挥出来就是你构造玩具对对的那样的一个过程嗯很有意思我们刚才也提到这个multi agent就多个agent的协作的这个事情呃要不要给大家再多讲一讲这个多agent协作的这个概念啊就是因为我理解这里面其实有一些争议就有人会认为比如说今天模型的智能是非常高的那其实一个单一模型是可以完成非常多工作的那你为什么非得要去搞一个agent team出来你说他是产品经理他是工程师这好像反而是限制了模型的发挥但是也有另外一些人是不这么看你们怎么看我们说到multi agent的时候目前的最佳实践是什么了解然后先回答科技老师的第一个问题为什么有multi agent确实有一些过去的论文里面提到过可能是单个agent它的效果可能会更加好但实际上随着我们模型的上下文空间也就是说它能够对话的轮次的长度的增加你会发现你和模型对话的过程中其实你产出的信息量是较少的而模型产出的信息量是较多的那我们可以做一个思想实验假设有两个模型它们之间能够以更加高效的秒回的效率去交换信息并且一般模型给你发的消息是一个小作文对吧那么我给模型亏的可能就两字批准接着干加油人呢对吧但是如果让两个模型他们之间互相交流他们的信息量是极大的在这种极高密度的信息的交换的情况下它整体的效率就会比人和一个agent进行交互要有更高的效率这是在效率方面单个agent的局限性就拿最近一些例子上来说Anthropic在今天的凌晨他发布了Opus 4.7这款模型在模型里其实他有什么卖点其实真要说的话大家网上已经在吐槽了我也不去吐槽他了我们只是去揣测他这个公司他为什么要在某些方面宣发我说几个点比如说他增加一个叫X-Hide的一个effort他的意思就是说推荐用户在这个思考成本之下思考成本就是指模型得思考多仔细才能回答你的问题一般模型发布应该是一个很震撼的事情但它就是说我们推荐用户去使用这样子一种思考成本去进行使用那其实带来的另一个问题是如果你的对话就单个agent之间你一直使用它即使是最强的模型你一直使用它的时候它也会产生降置的行为而且这已经是一个可以被论证的事情就是当你的上下文空间也就是你和他对话的那个文本的数量超过了50%以后其实他的智能水平的下降是指数级下降的也就是说在单个agent里你永远没办法和他一直聊下去这是单个agent的上限的问题上下文带来的限制上下文带来的限制对然后以及一个信息传播的效率两个问题吧对我来补一个观点其实最近几天有一篇论文出来说他去研究了非常长层的这些任务那 [29:59] agent 或者模型在什么情况下会出错呢他们发现如果他做对了他那个对的路线一直进行下去但他只要在某一个地方可能偏了很容易他就会越来越偏对那他其实我觉得和人也是类似的有时候我们去做一件事情的时候是有可能钻牛角尖的可能我已经花了很多的努力了可能我一直在那做对吧然后等到我可能休息一下我换一换脑子的时候我才想到哦其实不对我应该从另外一个角度去做很有道理对至少在我们自己的时间中我们会让两个agent来去做cross check我觉得它somehow跟真实的和世界的数据包括跟后期链都有关系就它的数据分布上来说它看到大部分数据都是按照一个现金轨迪去执行过去的它比较少看到的是说反复的去验证和思考的对当然这个可能在强I-O后会有改善对但是如果你设置两个agent的话那它可以没有之前的新资负贪换一个角度重新相当你有两倍的预算而且是全新的上海文去思考往往能达到一个更高的质量这也很有意思就好像你在转雷脚尖的时候如果旁边有一个人过来泼一盆冷水对对对对让你清醒一下对或者你去睡一觉去做点别的事情对这也是我们要用Multi-Egent的一个角度所以我自己有一个小问题就是会不会大家都在聊到他的时候都在讲这个就是所谓的自我进化对吧但是有趣的是我在想说其实我们今天刷抖音也是越刷算法越准但是我们好像也并没有说什么抖音会自我进化但是今天为什么在这个MS agent或者在整个agent的领域就自我进化就被大家认为是一个那么厉害的词呢这背后有哪些相同有哪些不同的我先说一个观点其实还是延续我刚才那个观点就是你会发现在这个迭代的过程中人开始成为瓶颈而且人的数量越多它的组织效率就是指数局的下降我经历过非常多的组织都是这样的而要做大模型这样的一个可能你一次训练是数以亿计这样的成本甚至数以亿计美元这样的成本的事情的时候你需要保持非常高的人才密度和非常精干的组织才能把这件事情做好那大家想到的一个最有效的就是那怎么scale up就怎么scale那最有效的方法就是减少人的参与更多的让agent让AI来去做那其实你就会发现在这个过程中实际上大家会发现很多模型它的生命周期可能就是几个月对吧然后我们就会推出下一版但是没有之前那些模型可以吗其实是不可以的因为后面的模型都是依靠前面的模型来训练出来的前面的模型都在这些训练过程中无论是帮助去清洗预训练的数据去寻找适合的数据去构造数据去构造相应的RL的环境比如说在我们的M2.7的训练中在我们的RL的Pyplan里面它已经是可能70% 80%以上的工作已经是由模型家A键的自己来去完成了因为人类工程师他只有7成24个小时对吧那我们还要休息我们还要做很多别的事情那现在线下的30%就是还要由人去做他更多的是说第一人的那个判断和test是非常重要的就是那个判断他不再需要去做说OK是我的某个实验中的某一个具体的specific的过程出了问题因为这些A键都能帮他查出来他只需要去看到这些汇总的比如说实验的结果然后和他原来预期的方向有哪里不符那Agent这时候给出他一些建议那这时候他其实是一个讨论的这样的一个过程那么最后其实是人的品位和创造力来去指引那个方向说我们最终往这个方向去走对所以他确实就像很像Hanning那种驾驭的这样一种感觉总结来说就是第一个在这样的高复杂度高密度的事情上如果要想要scale up就必须是AI在其中是占据非常大的比人就是只是驾驭否则这个效率就会很低我们就做不出就是最有生产力最好的东西然后自然那就会发生我们刚才说的就是自进化这件事情因为它就是一个自包含的这样的一个关系对是不是也是因为今天比如说Argentic能力变强之后一个agent可以跑的时间越来越长这也给他的自进化提供了一个基础因为在过去他跑不了那么久的话也无从谈起自进化是的我觉得除了久以外他更重要的是reliable就是他能解决足够复杂的问题对能足够长城但其实还有另一个点在于说能启动的问题当你和一个agent见面第一天的时候他可能完全不了解你在这个过程中你们要去互相的交换信息交换文件交换数据甚至于有一些不管是内容上面的不管你输出的很多把一堆文件砸给他也好也要去把你的脾气你的反馈你的习惯等等反馈给他这样子一个深度磨合的过程中呢其实人们就会有这样一个诉求就是说你是否能够自己变得聪明一点变得更加了解我一点其实在养虾的过程中就已经有一点这些苗头了就是用户们确实会对虾这样一个 [34:59] agent产生感情可能有一天小龙虾出bug他会心里有些小落寞这时候Ermese他提出这种自我进化的概念其实更加引出了一个说我能够在和你对话中越来越了解你同时的话我也能够去给你创造一些小惊喜对我不和你对话的时候或者我就是在一些工作的复盘中我就能够领悟出一些更加高层次的东西我觉得这是普通用户在使用的时候的一个比较大的亮点对我觉得这个确实很有趣就是我们之前用AI工具不管是就是一个chatbot还是一个agent的产品如果他做不好我们第一反应都是出bug了这个爆bug但是他养小龙虾的时候当机了或者他挂了或者他一个任务完不成我们只会觉得他挺蠢萌的甚至有时候会觉得是我好像没把他训好我要去网上学一下别人在怎么训他的虾这是一个很有趣的关系的扭转就是你原来好像是一个工具的使用者人是就是最正确的但现在这个大家不自觉的就把这个关系扭转了好像我变成了一个只是在帮助他的辅佐他的一个人他没做好有可能是我没辅作好或者我没有一开始给他setup好我觉得这就是人类对AI的信心的改变在不断增强对 是的这其实是那个基点就是AI能力的那个基点就当人给他信任发生了变化之后会交给他的任务不同而且人类社会以及人类的工作方式会为了解而不是尝试去改变它你看OpenAI最近他们的也是他们做Hannis那个人出来说包括像那个像波瑞斯就卡拉科尔之父他们出来说他们觉得不要去觉得模型做不到而是要想模型能够做到我应该如何让它做到我觉得这是那个基点这是一个很大的观念的转变甚至认为它是一个基点对我觉得它不仅是观念的转变它会导致我们的工作方式会变成从原来以人类为中心AI来适应人类变成AI已经足够的强大就像有了电有了蒸汽机一样人类围绕他重新去构建你的生产方式你的工作流是的对想起最近看到一个故事说以前工厂不是就在河边的是因为有了电对吧工厂在搬到河边因为要水利发电最近在b站上火起来一个up主叫花书然后花书自己做了一套帧流的agent他把比如说乔布斯把Elon Musk帧流成了skill然后你就可以去安装这个skill和他对话然后其实这样的项目不止这个花束我觉得在其实全网也有很多我想听听你们怎么看就是这里面有哪些是真价值又有哪些其实只是大家出于对AI的幻想而产生的一些热点好的其实大家包括帧流同事或者帧流一些名人能火其实我觉得反映大家一个诉求大家希望和更聪明的人聊天我觉得这是一个非常自然让人的诉求你不能他不管在哪个时间点他都会随着智能发展而出现对然后在此基础之上的话他用了一个比较有爆点的词汇叫争流对但实际人肯定不能争流不管是活着的人熟悉的人死的人都不能争流它实际上就是一个传递信息的过程对我把乔布斯信息我把巴菲特这种股神的信息以及我把我同事的信息等等给到模型然后给到agent他以一种自己使用上来比较舒服的方式也就是skill保存下来了需要的时候就把它拉起来等等通过这种方式的话其实就能够让我们去和自己想要聊天并且70人24小时聊天的人去沟通一些思想等等我觉得这其实极大的释放了我们的表达欲对然后前进有一位就我关注的博主说过他说2026年可能大家尽量多和AI聊天那你如果以自己的认知去和AI聊天其实你可能只能达到它的上限确实是比较低的然后但是呢如果说有一些现存的一些文件帮你整理好了就像你去读一本书一样对吧它其实是在你的认知之外的那就像是读书一样的去和一个被蒸馏扩的人去沟通对它其实就像读书一样自然而然而且它会让我们能够提升我们的认知吧而且也缓解了一些我相信大家都会有的对AI的一些风沫的感觉对风沫就是指感觉我落伍的感觉现在有一种最简单的方式打开就死你了聊天就行了我说包容我恰恰相反我觉得我就是在被AI蒸馏或者说或者说我觉得今天模型训练包括Enthopic在内在做的事情就是在蒸馏人类如果大家有去关注一些就是Enthlapic或者是OAI他们就是雇佣的这些数据公司比如像社会AI他们的营锁都非常高因为这些大模型公司包括Enthlapic和OAI真的花了非常多的钱在这些事情上那它不仅是coding它是各行各业的所有人那它的过程可能是让你去提出一个问题是当前AI无法回答 [39:59] 并且教会给他一旦你提出不了之后可能你对这一个就是训练过程就没有什么作用对对对包括比如说我在构建我的Hunless过程我感觉我就在蒸馏我自己对吧就我平常是怎么工作的我把它变成skill变成一些程序然后让他能够去操作然后我就可以扔给他以后我就喝咖啡这是不是一种对我自己的蒸馏呢而且我个人观点我至少我自己觉得模型其实至少我还没有看到那种创造力我觉得它其实都是从人类的知识里面争流而来的那为什么我们还要做这件事情呢实际上我觉得最终还是为了让人类可以去真正做自己喜爱的事情那些有创造力的部分然后那些繁重的重复的部分就像我们过去发明真机器发明电力一样今天我们的生活是吧实际上我觉得我们的生活可能比古代的这个王公贵族还要好对吧他没有电子这个马桶对吧他没有这个游戏可以玩也没有直播可以看对所以我觉得本质是这个我前段时间和一位研究员聊天他说他看到Methas那个晚上他可能是半夜1点看到然后看完之后他就是经坐经坐在床上三个小时睡不着他就陷入了一个巨大的虚无觉得如果有一天模型都能自己去训练模型了我要干嘛做他热爱的事情我在公司里我的签名曾英可以做证已经挂了一年多了叫做因为热爱我觉得我们就应该去做自己热爱的事情当然今天做的这个事就是我热爱的但我觉得我们做一切都是为了让每个人能够做自己热爱的事情那你觉得什么时候你可以开始不做minimax因为minimax已经进化到可能不需要再做了你可以真的去做minimax之外的事情OK我觉得可能比我们想象的要快真的我觉得可能就是几年的时间很具体我没有办法说是多少这是预言不准但我觉得没有大家想那么远当然也不可能那么近因为我最近确实刚录了一期播客聊Agent Harness然后来聊那个小哥他是在这个Github上面有一个教程叫Learn Cloud Code他是Cloud Code被大家把原来拔出来之前就是有一种立项工程对吧然后给大家讲这Cloud Code里面是什么样的然后那个已经有5万颗星了这个最有趣的是我和他聊的时候他说了一个观点他是一人公司我就问他我说那这个你怎么开一人公司对吧他现在就一个人加两个实习生他说他觉得未来很可能没有页员公司只有零页员公司这和刚才阿导在讲的是非常接近的我觉得还是会有页员公司我刚才看到弹幕里有人在说我是认同的就是那个taste我觉得还是依靠人类的对对taste是不可取代的而且每个人我觉得都有他自己的taste你说对或者要靠人去给他一开始助推因为一个agent他哪怕可以七成人士四小时一年365天就是这个长城的任务可以那么那么长他还是需要一个起点或者说他需要一个目标他需要一个目标这个目标是他工作的这个动力和源怎么定义这个目标呢我觉得这个只能人来定义而且人类不应该放弃这个权利对在士充里口我们最近和政客基金一起发起了一个token grant然后我们这个token grant就是给大家这个送token因为我们认为这个在这个时候从零到一的创业很可能不需要钱因为你没有钱你一人公司你可以不给自己发工资吗但是你不管怎么样用token所以我们鼓励大家创新创业所以给大家送token然后有趣的是我们刚grant了一个真的agent他叫yoyoyoyoagent然后他的主人就他背后的工程师把他做出来之后就把丢到了汪洋大海里面然后告诉他我再也不会维护你一行代码我也再也不会给你买一个token你要自生自灭然后给他一个目标这个目标挺搞笑的叫打败Cloud Code然后他现在已经到他的第43天了他每天都在不断的进化自己他进化的方式就是写代码然后同时他也在想办法去赚钱而他赚钱的方法就在KTAP上面开了一个打赏然后他通过写日记通过发推特来赶招有缘人给他打赏所以我们Grant最近就给了他一笔钱然后给完他钱之后他还写了一个感谢信给我他自发的一个感谢信我看完之后还有点感动是你看这就是人类给他的目标你要自己生活下去你要写一个cloud code出来对你可以说他是一个有趣的社会实验但我感觉这好像也是一个就离我们没有那么遥远的未来正在发生其实也印证了刚刚说一人公司还是要一个人的你刚刚说了他给你写了封信你很感动对吧那这封信息就代表了他的test可能是一开始他的这个背后的工程师给他注入的这样的test啊对对对所以你看到他就像见字如物吗嗯对吧OK哎我们再来聊一下这个minimax agent因为这个我看到刚才也有一些朋友在问就是minimax agent和arms agent有什么样的 [44:59] 相同和不同因为你们又在合作那是竞争关系还是是互补关系我觉得这个其实很有趣那大家会觉得Code和所有的这些agent是什么样的一个关系其实你会发现Code最近两个月的更新其中很重要的一句就是龙虾化是模型公司的agent我认为今天你可能已经没有办法脱离agent或者是一个hanness环境来去提供最好的智能首先我再说一个暴论我觉得如果有一个模型公司的目标他不是AGI那我觉得他今天就不应该存在因为我觉得就没有意义对那如果大家目标都是为了AGI那我们首先我们怎么定义AGI至少我的定义就是能够帮助人类拥有更好的生活对然后那如果你要达到这一个目标的话如果你没有Agent你没有一个就像我刚才说的机甲你只有一个引擎那是不可能的因为你没有办法跟这个真实事业连接所以我们做Agent的目标就只有一点就是让我们的模型和Agent一起提供一个完整的给用户最好的我们能提供的体验然后不断的把这个边界去往前推往外推让它更深更宽这就是我们要做的所有的只要是符合这一个标准的都会是我们会去做的事情那同时我们当然也会支持所有的agent因为我们希望我们的模型不是只被局限在一个容器里因为我们的认知或者我们做的东西仅是这世界上这么广大分布中的一小块我们希望能够支持这世界上所有的就是真正能帮助到人的东西对吧那所以我们会训练我们模型有足够的泛化能力而不只是你合在我们的agent上所以我觉得这是我们Hermes agent也好和OpenCraw也好和其他的这些agent之间的关系这也能解释为什么我们自己在做agent但是我们和他们之间仍然有非常好的这样的一个关系对基本上都是day one就非常早期的时候我们关注到这些项目时候可能他们都是一万十大甚至不到对我甚至可以跟大家透露一个很好玩的东西我们公司有一个数字员工就这世界上有非常多的开源项目我们希望我们的模型都能够帮助到这些开源的项目都能够接入到其中我们公司有一个数字员工他有自己的github账号然后他会每天去看哪些开源项目能够弄到我们公司的模型无论是文本模型视频模型还是音频模型包括music然后他会自己的网上面去提pr并且去留言那他就是看得出来是minimax的这个人吗反正他的那个GitHub的所有profile都是那个minimax模型去给他做的当然从名字可能能看出来它是我们机箱物的名字对okok这个很有趣对刚才你有提到这个cloudcode最近两个月的更新都在opencloud化这个可以具体一点吗比如说他最近哪些更新是OpenCloud化比如说像Chrome定时对吧Schedule包括比如说他能够连IM能够从手机上远程来去控制对吧包括他也加强了他的memory他专门搞了一个memory的文件夹对吧我觉得其实这里的核心就是他是不是一个你能随时随地联系到并且跟你一起工作之后越来越聪明越来越知道你的需求的这样的一个agent我觉得这是OpenCode它最核心的定义在我的视角里其实更多的是从名字上怎么看出来Cloud Code它是编码领域的一个agent但OpenCode的话其实我们绝大多数的用户应该都在既编码又做点其他别的事情比如信息检索办公领域等等对吧然后在此基础之上其实Anthoropic他们也推出了另一个他们的agent产品叫Cloud Cowork对然后其实Cloud Cowork它可能就像是安装在你的电脑之上然后去帮你去做一些更加通用化的电脑操作的一款agent等等其实就和我们大多数OpenCloud的用户一样他们可能不携带或者说他们只能指挥AI携带他自己不懂代码对然后其实这两者一结合就会发现其实所有的agent他们可能都是在一个随机的游走过程中但是OpenCloud他杀出来了我觉得在这个时代这些想法非常非常重要但是在有了想法产生以后确实大家拥有庞大的算力庞大的编码能力那立刻跟上因为我们在GDC上也见到了Peter回报我跟Peter其实很早在X上和Slax上就有很多很多的交流那个时候确实也还没有那么火我们的感受就是他真的是一个taste非常好而且非常有architect思维的一个人我在1月初注意到这个项目的时候我就坦诚说惊为天人就是我就直接跟我们团队里说哲音可以作证我在群里面说他们当时还不认同无论是介入IM 七三四小时还是基于skill加COI不是mcp我记得我当时都跟你们提过 [49:59] 当时有一些小摩擦但证明你是对的所以当时你看到的时候它还没有大火没有我理解其实它是把很多的范式就是集大成者放到了一起并且整合的用户体验很丝滑这是肯定的但我觉得它更关键的是找到了那个自变的点就是让普通人能够最低成本的体验并且这个体验会持续更好并且它的扩展性非常的好因为大家知道 MCP是一个其实当然团队是好但他需要工程师来去写对吧是的但Skill加CUI这种范式其实普通人都能写对就相当于是人人都可以写并且分享不仅让我的agent更聪明而且我的分享给你让你的agent更聪明就是如果OpenClaw离开了Claw Hub他也不可能那么活这是我的观点对如果离开了Claw Hub他也不可能那么活因为大家的Skill不会那么快的传播开去对我一个人的智能或者经验或者最佳实践它没有办法迅速的扩散一个模型它在对话的就chatbot的场景里面表现好和它在agent的场景里面表现好它本质上到底需要多做一些什么才能够在agent这个场景下表现得更好我觉得Chatbot他的核心是当下就给你一个回答虽然你家reasoning对吧但他其实是不能去做很多的探索他不能跟这个环境去做非常多的互动所以他其实需要他的比较核心能力是说在跟这个环境的互动过程中不断的进行推理并且不断的纠正他自己的执行的路径然后找到最根本的目标比如说一个比较经典的Agentic的Benchmark叫Browse Camp对吧我觉得OpenAI真的还是很强的它能够设计Benchmark的能力就是我觉得非常顶级的research的能力对它设计的这个就是说你要在互联网里面去找就是非常非常多的Cross的这样的信息结合在一起才能找到那个点你很容易找错比如说它的四个条件你可以找到满足两个的或者三个的但要找到满足的四个条件是一个非常非常难的事情所以它是一个非常广度的可能需要深度探索以后又折回来的这样的一个探索的能力那这就需要你在这样复杂的长层任务里面你能不断的根据你的信息去调整你自己对所以这是为什么我们在MR的时候我们就比较坚定的压注的一个能力包括那个时候还不是很普及今天就是所有模型都有我们叫interleaved thinking对这个概念其实最早是anthlotic定义的它是在Cloud的Sonic 4模型发布的时候那我们当时也做了比较详细的这样的benchmark和评测那我们会发现有interleaved thinking就是说它在完成工具调用和环境的交互之后它可以再次重新思考而不是在一开始就planning好它是一开始也会planning好对也会planning但是很多模型比如说R1他planning完之后他后面就不planning就完全照一开始那个plan的来做但是实际上真实的世界不是这样对吧你真正进行运行下去的时候你会发现R1好像跟我想的不一样那我可能要换别的方法所以interleave thinking就是说你在行动一步之后你要重新思考推演我下一步应该这么做所以我觉得这是Agentic和Chat最大的最根本的差别就是他真的走入真实世界真的解决问题所以他需要不断的思考不断的行动嗯OK然后刚才其实也提到就是模型公司在做自己的这个Agent 对吧可不可以分享一下就是模型公司做Agent他是怎么能够就是基模和Agent产品之间就是互相产生 synergy然后彼此帮助模型和工具都做得更好啊我觉得这是一个非常好的问题啊我的观点是说其实模型和应用或者说Agent层的进步它是一个互相促进的关系当模型推出之后其实无数的应用其实是在不断的unlock探索模型的能力往外推一步之后它能够去做哪些事情因为我们自己做模型把它推出去以后用的最好的往往不是我们公司内自己的使用自己的评测而是用户开发者创作者它能用出来的就这个世界的真实分布是比我们公司的分布要丰富的多的那当模型公司看到这样的应用unlock的这些做法之后它其实会再重新吸收回它的模型中然后再内化到包括和它agent一起的这样的一个对外提供的能力里面然后让大家在下一次的时候就能够直接体验到这可能也是今天可能做agent的应用如果是通用agent的应用比较悲哀的一件事情就是你永远会被模型内化掉你永远会被模型内化掉甚至你可能写的很多skill未来都不需要对对就你写的skill其实也是或者过去大家的workflow其实都是帮agent去完成任务对吧当他完成任务的这个轨迹对也会成为模型去做后续的训练的 [54:59] 这个素材和数据所以慢慢的模型就会内化掉前面大家所搭的交手架Jen的workflow 写的skill对你可以理解我是这样的模型其实是从一个原子的点就原来互联网上的所有数据还有github上的所有的代码然后来了解这个世界的接下来通过大家的使用它投入到真实世界它在越来越多的接触到真实世界它越来越学到更多的东西它就是这样的一个逐渐扩散和启动的过程不管怎么说我觉得我们都是human in the loop无论你做不做只要你使用它你就是在这个模型的迭代进化的过程中尤其是你在使用摸到它边界的那个地方我觉得这也是为什么Anthlopatic比OpenAI可能在过去一两年它的发展势头要更猛的原因就因为它压注的这个coding这个方向是最能touch到真实世界的border的边界的而不是我自己个人观点而不是OpenAI所压注那些去解一个可能数学家才能解的一个数学问题我觉得那只是这是世界数据分布的非常小的一个方向是因为代码就是在创造解决方案当我们说做一个软件的时候其实就是在做一个解决方案去解决一些问题对而今天就是所以把代码能力变强了模型的coding能力变强了那模型去做解决方案解决现实生活中的各种问题的能力也在变强对在我们看来我们今天也在做通用的办公领域比如说finance不只是财务你可能有投融资然后比如说你有人事对吧你比如说法律法律也是一个很广的领域对等等的方面但我们最终我们会发现everything is coding对最终你去解决它你最终都是通过某一个coding的方案去解决它对而且我那天也在想一个问题就是我们说Office三件套是过去白领工作的三驾马车但其实你仔细想一想这三件套它是三个软件就比如说Word DOCX的格式和XLSX的格式还包括PPTX的格式它并不是最原生的原数据它不是Role DataRole Data是CSV是Markdown但其实Word和Excel是在原始数据的基础上套了一层软件这个软件包括界面也包括一些逻辑所以每次当我说我发Excel给你的时候我发你的不是一堆原始数据我发你的数据加上它上面的逻辑和界面因此我发你的其实是一个软件所以我们过去其实就是很多白领会说我的工作和软件没关但是我认为只要你在用Word你在用Excel你在用PPT你就是在每天在创造各种小软件是的你在这上面的透视表你的公式那些都是代码那些都是软件我们今天说到中国模型和OpenAI和Anthorpec的这种差距的时候你们觉得到底有哪些差距已经被消除了然后又有哪些还是我们在努力要去追赶的地方我的观点是我们在训练的方法和对模型训练的认知上我觉得差距是没有那么大坦白说我们和硅谷的研究员也有交流但我觉得在模型解决问题的真实的任务的定义你对模型要解决那些问题首先你要让模型具备首先你要定义它然后你在定义这个问题上我觉得就有不小的差距因为Athropic也好OpenAI也好他们是请各个领域里面最优秀的人学术领域里面可能是那里面最优秀的博士不是普通的博士然后比如说工业界他可能是请工业界最顶尖的有时间的人然后跟他们一起来劝这个Model劝Model就是在蒸馏人那其实我觉得他们是有一套非常科学的方法来定义这些任务然后接下来再蒸留这些最优秀的人把他们变成模型的训练的数据然后再基于这个和最优秀的企业去合作然后构建相应的Honey是去解决问题进入我刚才说的这个能力不断的扩散不断的接触到更多更复杂的真实世界任务的这样一个group我觉得这一条线尤其是Anthlopic我觉得是非常强的我觉得真实的差距在我看来在这里这是第一个点第二个点我觉得Athlotic是比我们要更早看到AGI的我们当然肯定是看到了要不然我们我觉得无法坚定走到今天因为其实它还是有非常大的投入的对所以你看在OpenAI可能在训完GPT4.5就放弃更大规模的模型的时候Athlotic坚定的押注注意券然后最终他们也得到了这个回报我觉得这也是一个很大的差距而这个差距本身确实我觉得是有算力的差距在里面的我觉得当然国产算力也在发展我觉得未来我们能够解决这个问题会有那么多的算力我觉得像中国有足够多的人才也能支撑我们去做足够多的实验然后来去找到那条scale的路径二卫会认为接下来Agent [59:59] 在今年之内吧您觉得这个比如说通用agent会是行业的这个重点还是也会在今年看到更多的垂直领域的agent也会开始就是真正的百花齐放我觉得垂直领域的agent当然会百花齐放我觉得通用agent可能比较难彻底解决的问题是最后一公里交付的问题因为通用就注定了你不可能去那么的定制化对吧所以我觉得垂直的agent他最终解决的是说OK通用的agent和模型他已经有这个能力了他其实就差那一步但是到具体用户或者是行业的常见里面的时候他可能就缺那一个东西才能让整个东西乱起来那可以介绍一下你们在工作里面看到的垂直领域的这种agent做的不错的案例吗不管是在硅谷的还是在国内的坦白说因为我自己不太会用到这样的明白对对对我们不是用户因为我们coding他就他已经是一个同用对对对其实我觉得今天大家已经看到了agent在逐遍替代sars这其实就是somehow一种垂直的agent对吧对但是如果没有这个的东西我觉得都会被同用agent吃掉是的对对这是我的个人观点在生活中在我心中的那个通用语诊它就是coding对然后但我觉得还是有一些观察发现吧对然后包括在视频剪辑领域对然后那你想如果让我们一个编码的模型想要去做一个视频的剪辑视频的理解等等那它其实整体的实践的范式就和编码其实是有比较大差距的当然最推上也有比较火的比如说通过HTML网页的形式生成动画也有这种例子等等但是确实我们能够看到说垂直领域的agent去生产一个慢剧短剧什么的那它绝对效益收益上来说肯定会比一个同用的agent做得更好我持不同观点我觉得这只是视频理解模型不够强视频理解和生成模型正在飞速的进步就东螺态领域过去一年我们其实是有预见的然后大家都能看到我觉得最终就是通用的agent也能做那些那只是一个交互的问题比如说在什么样的垂直领域有可能是通用agent的最后那一公里就走不下去的或者就走不好比如说法律我觉得你可能这是一个很严肃的问题对吧你这种比如说你要震慑出一份给客户的意见而法律其实是一个你要考虑合规的成本和合规的风险它不能犯错而且它没有一个标准答案其实我们聊这个也是因为opencloud这一波这个热潮的时候很多人都在关注说他有没有带来一些新的创业机会所以比较自然的大家就会想说我做一个这个垂直领域2B它是一个很明确的创业机会然后也有一些人会认为我在这个agent infra层去做一些事情有创业的机会你们怎么看就是agent infra层这里有没有创业公司的机会尤其在这个cloud又发布了managed agents之后Agent Infra 第一层最核心的问题比如说 identity 身份身份认证然后支付pay 对吧然后我觉得这两个是最核心的问题但这两个问题我觉得它不太是一个创业公司能够handle的问题不是创业公司的handle的问题对因为移动互联网最终解决这个问题的人是谁是微信和支付宝这是PC互联网就存在的两个公司对吧因为最后它会变成整个社会的基础设施对所以在这种情况下我觉得他不太是一个创业的公司他能够承担得起的他这就无论是责任还是他所要操动资源以及他要说服所有人对吧我觉得这个巨大的信任倍数和巨难的一个这个infra的稳定性的对对对对但是再往上一层再往上一层比如说你为agent去build的很多面向agent的工具面向agent的environment比如说你是一个coi这个coi能让agent能够非常方便去挂号在解决了identity问题的情况下这算不算一种infra我觉得它肯定也算是一种infra比如说当然agent在解决这个问题以后能够比较方便去缴费或者说能够去打车滴滴打车变成是一个coi对吧我觉得这些somehow都是agent的infra但这一层我觉得它是比较业务和应用层的这一层我觉得是有机会的但这一层的机会其实取决于你在那个领域的是你得是在那个领域里面有一些垂直的一些经验或者know how对所以我觉得在这一层会有两个过程我个人观点但不一定对就第一个过程它会是原来的这个领域的玩家他来去尝试融入agent比如像滴滴美团等等都在提供这样的东西然后第二个阶段是当agent开始揭入这些环境具备这些能力之后那就是所有东西围绕的AI去构建之后其实我觉得这会出现新的产品范式的创新的机会因为那时候所有东西已经ready了图浪已经ready了但今天如果这些东西都没有面向A键的构建就我们还没有完成第一步基础的搭建的时候我觉得你要自己去构建这个技术对于一个创建公司来说我觉得有点难那比如说今天以后 [64:59] 有人说我要去做这个sandbox做沙箱或者我要去做memory infra或者我要去做所谓的run time infra你会认为这些最后会我觉得没有那么本质吧因为这两天我们在准备直播的时候正好有很多东西在发布比如说大家都在关注的OPUS 4.7问你们怎么看从模型的视角来看OPUS 4.5是一个强SFT的一个模型它其实R2没有做那么多我觉得也没有open AI做的那么强然后那个但是从4.6你就能比较明显的看到它再加强RL了然后4.7我觉得它是一个非常强RL的模型包括它X-High这个档位就太点了GPT也太点了所以我看今天X-SAN和小物商大家都就是记出说它怎么也揽上GPT的那个毛病其实就是RL的那个怎么说呢RL就逃不脱因为它是最终是reward它对过程幻觉这样的一些问题其实它是没有那么多的控制或者是奖励的或者说惩罚的所以它自然就很容易出现这样的一些问题包括你会看到有很多人吐槽4.7的约束真正询还没有4.6号这是RL非常典型的问题因为它直接只管最终结果对对吧很多时候它其实并不那么管过程是对的但我仍然觉得它是非常大的进步就抛开这一切不谈从benchmark来看我自己非常认同就是那个hanging face应该是CEO吧他的观点就是说他肯定是蒸留了Mathos的我觉得换我是amphatic我也会出不住然后还有一个新闻就是cloud code强制很多人开始要实名那这个你们怎么看就是背后他是出于什么考虑这么做也就会带来那些影响Cloud Code实名吗能说那个CEO个人观点吗绝对抵制Cloud Code的达尔先生的观点其实他们科研做的很好强制实名其实我想到了一个和刚刚AI音法有点相关的一个点有一点点相关就是在AI时代其实我觉得认证一个agent来自哪里是归属于谁或者agent其实发出请求很容易但他想自证自己是谁反而是一件难的事情往这个方向去想的话其实做什么人脸什么的可能也是有一些道理存在但是其实这就暴露出了一个问题就是说在整个Agentic时代AI已经能够去做很多事情了的情况下他的行为该如何归因他应该去归属于哪个个体或者属于某个组织等等在这个逻辑之下的话我觉得能够理解它去往这方面去做吧对当然也暴露了一个非常大的机会就是我们如何去证明某一个来自AI的寻求它真正来自哪里我觉得昨天是比较善意假设我就没有那么善意了当然在它的逻辑下它是自洽的它的逻辑就是说我看到AGIAGI很强大所以呢要约束它避免它对人类产生危害所以我要safety对吧safety的话我要确保我的AI被可信的这个不是邪恶的国家给用到然后当然也包括不是邪恶的这些人学术和这个模型上research上这些都非常牛逼但我觉得这个定义 somehow我会觉得ego是不是有点太大对就是凭什么你来定义这件事情这 somehow至少认为我对这个民主的这个认同是不太一样的反正我是非常不认同这一点然后至少我们的观点叫intelligence而不是你少了人脸的才可以对吧这有点扯然后前段时间有另外一个关于Athropic就是他们说自己的Methos模型是一个很可能会对人们造成威胁的模型因此他并没有把它正式的发布你们怎么看我觉得首先回到刚才WL的逻辑我的理解是对的话这也是非常自洽的这当然是一个负责任的做法但我不确定他这是不是他唯一的理由你不确定这是他唯一的理由对我不确定这是不是他的唯一的理由我相信他是真的做到了这一点这是肯定的然后这种情况下先保证基础设施不被攻破我觉得这也是正确的但我不确定这是不是他唯一的理由我觉得我可能只能说到这我结合Athrope最近的一个动作来讲就是他在近一周之内发布了一个叫做Managed Agent这样子一个架构在这个架构下可能说的有点抽象但是我可以把它用就更加直观的方式来说他把人的脑和手完全分开了他的一切AI的思考以及真正的想出一个点子来要去执行的动作都在云上进行用户只能通过一个受信给AI的环境看到他去做某些动作在这个过程之中的话那是否就代表着他不想让自己模型的一些更加深层次的比如像思考以及中间的一些去做了什么事情等等就暴露给用户等等然后他想要把一切都隐藏起来他想做一个真正的吃到一切的人对他就只让我的模型就像是一个远程的桌面助理一样开始操作你的电脑或者操作你的云手机等等都有可能然后另一个观点是来自 [69:59] 但是我们公司也是一个切身体会吧就是确实现在算力真的不够当你发了一个极为优秀的模型的时候你又不让大家用同时呢你又发出来了那么这就是一个很尴尬的一步了你就被吊起来了对吧那么大家会说那么厉害的模型为什么给他们用不给我们用我们也出得起钱等等这类其实都是我们所有人都会遇到的一个问题就算力真的比较缺如果他这个模型真的能像他说的一样那么厉害那其实有另一个问题是说他要把多少算力投入在他的催底之中也就是说他要把多少算力用来赚Token这件事情上我觉得他们内部应该也算了一笔这样的账单就是说如此强大的模型在这个时间点推出去他可能能够把口碑造起来但是如果说他不让人家用那又有什么意义呢我觉得不是这样我觉得其实他的本质是封闭我觉得就是这一点很好希望垄断这一点对一个乐观一个悲观的方向所以你觉得他可能就是一个垄断的一个思考不不他肯定是有安全的考虑这点是我说的安全的考虑是一个对对对对但我觉得不只有这一点嗯就这么简单嗯前段时间这个这个好多新闻都是我要在anthropic 再展开啊嗯 Cloud Code 的原代码泄漏嗯这个原代码泄漏你觉得对行业带来了哪些影响我也是 Agent 的研发工程师然后看到一个被大家对广为赞誉的 Agent 开源了以后其实第一反应还是兴奋因为我发现有一个最大实践可以去学习了当然知识产生归他们所有我只是学习我不参与任何生产活动但是另一个点也让我有一点缓解了我一些落后的感觉其实在原代码中会发现其实他们有很多实验性的功能比如说像是 Agent 在做梦比如说是养宠物以及像是一些比较激进的agent之间合作的这些能力等等他们其实也没有开放给用户他可能也只是在实验阶段那也其实证明了一个点就是说任何一家公司即使他拥有无限多的算力最好的智能他在agent这一方面以及通用agent这方面他也是处在一个探索和实验的阶段其实这里让我们更加怎么说加把劲其实在这个时代下你只要有能力去验证你的想法并尽量快速把它落地你就是有机会赶超他们的看到原代码之后发现其实也没有那么多的魔法在里面他也是有大量的假设探索和摸索对特别是和Codex比较因为Codex是OpenAI开源的AgentCodex是一个极度简化的一个人的框架他里面做了基本上把一切都交给模型了但相反而言的话Codwcode就像所有人可能都在这上说Anthoropi自己也不相信自己的模型他要在一切地方都给他约束好就像是一个中国式家长一样要把孩子的一切都扑平道路一样就是这样子一种不同的观点但是我也是能够从中发现出世界上最聪明人最强的模型公司和我们大家都在焦虑同一个事情我们的思考可能是在一个大型层内的一个层次的是在一个大气层内对我觉得都是差不多的包括他们发co-work的时候其实我们提前大概三周左右我们也在做这件事情了然后我们可能就3.5的工程师在做我们的desktop然后大概我们比他们晚一周发出来就他们发出来我们有很多资料的经历就他们发出来之后然后我正在开发我觉得做agent多少都会有这样的一个感受所以我觉得看到Cloud Code的代码我觉得是有很多优秀的实践大家也都会看到然后但是没有太超出我认知的甚至我看到很多就是我刚才说的在cloud化的这样的一些事件包括提到Dream的这样的一个机制然后我觉得cloud code最核心的一点还是我们最早提到资金化cloud code可能是最早的资金化的agent之一它的资金化体现在哪里我相信他们一定是用cloud code来开发cloud code自己的他是用Cloud的模型加Cloud Agent来开发自己的模型加AgentOK这就是一个自进化我们说到Agent还是一定要提到大概一年前发布的ManusManus发布的时候其实也是全网热议但现在大家已经觉得它是初代Agent但Manus其实一直在进步我也是Manus长期的用户然后每个月在Manus上花的钱可能是超过其他所有的AI产品因为它确实还挺贵的但是有好用不知不觉就不断的升级升级就付了很多钱你们怎么看在一年前发布的那个时候的Manus和今天就是我们有了更多的这个Agent的实践之后就有哪些进步因为我确实用Manus用的不太多我的观点就是Agent这层或Honest这层就是有生命周期的它就是不断的随着模型进步在更新换代所以我相信Manus的团队如果他们不是被Mentus收购如果他们还是持续创业的话我觉得他们应该会做新的产品出来这是我个人的观点因为模型不断在进步你在unlock更多的玩法所以这个玩法知识一定是不一样的这个打游戏都知道吗一代版本一代神对吧这代版本都不一样了那神肯定不一样Mentus在去年其实真的是一款非常现象级的产品而且他直接把用户们 [74:59] Agent 的审美拉到了很高的水平在你推出了Agent 的产品的时候大家都会问你能不能超过Manus能不能做到它那么好然后在此之后的话我也在持续跟进它的一些小小的改动他们打通了一个叫做用Agent去交付一个生产资料它做了很多很细很细的打磨这里可能会有一些如果展开说的话可能会有点像是程序员但是我只能说他们在一点一点打磨自己的产品但这里确实会遇到一个壁垒就是你可以看到今年火的agent产品都有个特点它都能够自己去让用户买订阅而且它也少了Manus这样一个类似于整个厂商OEM厂商在中间赚差价的一个点你直接去买token甚至你可以以更低于官网的价格去买到token的情况下你自己去把一个agent玩得特别好这个点其实是Manus和当代agent最大的一个区别它模式上有一个非常大的区别我觉得但是我相信这两套逻辑都会存在有一部分用户他就是不想要一个本地的722小时Agent的他只是想交费结果那么多块好省是他需要的但另一批用户他就想完全用保护把自己变成一个像是科幻电影里的人物一样我觉得本地的逻辑只是弥补上了一个空白我的观点有不同的地方在于我觉得最后都会被统一掉确实这只是今天不够强而已确实只要模型够强畅想一下如果统一的时候是一个什么样的产品的形态我觉得他真的好难但如果让我去想的话我们自己的定义目标就是他是有全模态的输入也能给你全模态的回复然后是近时时的然后它跟你的交互会非常的简洁只需要简洁和必要的即可然后在它之上存在的硬件也会发生或者这种交互形态也会有非常大的变化你用你最自然的方法跟它去交付不需要什么这个prompt engineering不需要什么高级prompt不需要然后接下来它给你回复的它甚至可以是一段跟真实世界一样的视频可以以它的形象也可以是你想了解的事情如果你让它去办一件事情的话它可以交付给你结果大多数时候你甚至不想关注写写但如果你想关注写写你也可以了解然后外面会有一圈生态就想想我们从Copilot到Cursor到Cloud Code到今天我可能用OpenCode来指挥几个Cloud Code我们在经历什么就是外面的那一层在越来越保其实Cursor最近发布之后长得也和Cloud Code越来越像了然后Codex大家有时候我感觉把logo蒙上好像都差不多对你怎么看这样的现象在我个人看来是有生命周期的你像去年比如说3月份Manus出来以后我觉得它是定义了过去8半年到1年的产品的交互的范式的对吧然后给你看操作的过程和操作结果然后等到下半年的时候模型能力更强了之后你发现的范式就是我们不care那个过程了上面你为什么需要因为大家还不信任模型模型能力还不够强或者看到模型执行任务有一种爽感但看久了其实你也不需要天天耍对你已经足够信任它所以你不需要了我只需要你给我结果不要给我这些东西所以你看比如说像Cowork的设计对吧包括像Cowork的就不会让你看到太多的过程其实提供了一个极简模式就像OpenCraw一样就你只需要最终一个结果就好了甚至连中间执行的一些tool都不需要知道对所以我觉得这只是这个版本这代神下一代版本I don't know不断的在往更高的层级去抽象最近二位有在B站刷视频的时候看到哪些让你们印象深刻的好的AI的内容我自己最近印象很深的就是刚才聊到的花叔做的女娲skill他蒸留了各种名人的skill我发现了几个比较心动的对不起叫不是up主的名字就是他用open cloud连上了他家的一只机器狗就突然经验到我了给了我一个想象力另一个可能就偏个人爱好了有一类游戏叫文字冒险游戏就你知道fate它其实是一本小说的视觉画把那些角色放到一个网站里网站里然后他把角色的例会拖到一个场景里他们就可以开始对话了相当于他就是在给你的一种最简单的游戏最简单是文本类的游戏的一个无限场的延续下去我最近也在B站看到一个游戏的一个新发布是任天堂刚发了一个新游戏叫TOMODACHI LIFE我看到的时候甚至认为它是AI游戏终于找到pmf的第一款它是一个什么游戏呢就是每个人可以造一个自己的岛然后在岛上你可以捏一个自己的人捏很多人你可以捏自己比如我也可以捏阿岛然后可以捏泽英然后捏一堆人进去之后然后这些人在岛上就开始他们生活然后你就开始围观他们的生活然后你可以让他们A和B同聚在一起ABC [79:59] 群聚在一起也可以给他们启动一个故事的第一句话比如说今天泽英和阿导在直播上大放厥词然后他们俩就开始演下去然后你就可以开始去看他们各种Drama其实是一个模拟的一个世界然后我作为玩家既是导演又是观众然后这是一个无限的世界因为是任天堂做的所以也很漂亮可以想象一下那个可爱的话这是我对世界的认知之一就是外星人在看我们玩如果最后到量子力学的话你会发现好像这个世界真的有可能是模拟的其实我也这么想我看到那个时候我当时也有觉得这不就是一层又一层的模拟吗好像我们今天在这里模拟一个人天堂游戏我们也不知道是一个什么世界对但过来只要我们开心就好对是的是的这个不重要过好每天开心就好下整个A型的行业就有没有什么观点就关于Agent的观点是今天大多数人认可但是你们不认可的我觉得有一个就是很多观点是说人会被替代人会没有事情做但我可能非常深的不认同这一点对我觉得人类的创造力是无可替代的我觉得人类仍然会有非常多的事情是可以去做而AI不能做的我仍然觉得AI是电是蒸汽机但最终驾驭它和创造出那些美好东西的是人类所以我觉得不用担心被AI替代当那个蒸汽机出来的时候有很多人担心被抵抬当这个电力出来的时候有很多人担心被替台室友岗位消失了但我觉得大家都后来从事可能是至少我们可以说体力上更轻松对健康来说也更好一些对吧至少大家平均寿命一定提升了是的这样的工作这是我的一个信仰吧也是我的判断就是那个一本书叫这个人性中的善良天使他在讲的就是人类总是这个很悲观总觉得我们好像日子不如从前觉得这世界上有更多的战乱有更多的这个什么犯罪但他就是用各种数据来告诉我们其实人类社会是越来越好对我不知道你们有没有看过WO的那本原则三他画过一条曲线是我对这个世界的认知就是人类GDP是这样指数级的增长的哪怕是你打开20世纪有一次世界大战20世纪的大战那一很微小的停顿都是你似乎注意不到的当然在历史可能在人的身上是一座山但是拉长到整个历史进程上来看我自己是相信这条曲线当然我相信另外一条曲线就决定我当初为什么加入这个公司的这个行业包括我刚才看到大家有说那要花多少token的钱对吧很多agent就是摩尔定律就它是一条你的你获得的智能在指数的提升但是你的成本在指数下降对或者单位智能的成本在指数下降这是两个我相信的东西我会面试各种同学他们可能都会传达一些焦虑给我就觉得一些年轻的工程师可能会被AIT带等等我从这个角度去解答这个问题吧从上个世纪开始银行应该是一个比较体面的工作但是银行也面临了一个很大的问题就是ATMG的出现当大家存取钱不需要有人去操作的时候那么大家会慌了银行是不是要裁员了是不是有更少的人能够挤进这个金饭碗里了但其实情况不是这样想的因为ATM机提高了效率所以说你可以看到自己身边基本上不管是县城还是大城市等等你走5公里内绝对会有一家银行因此银行并没有变少它变多了那么在银行里从事工作的人他们也没有变少而是变得更加多了我觉得这种由ATM带来提笑而解放人而人能去做更多事情的这套范式一定会在当下agent的时代再次重演一遍又一遍不管是大家工作了多少年不要担心自己被AI替代如果有这个想法你真的就输了然后一定要去好好把AI用起来当做一个自己的伙伴也可以当提倡工具等等也可以当做一个自己的长期的挚友等等这都是非常好的一个思路但是一定要尽早的拥抱AI但我相信人不会替代但是我当初加入这个公司还有另外一个理由就是我当时用了ChairGP因为我当时正在GAP然后帮我写一些代码之后就那时候代码你可能没有那么强我就意识到了一点打不过得加入打不过就加入对就是还是要拥抱AI就是相当你有了蒸汽机有了这个电力之后你不用对吧就相当于人家用热兵器你用冷兵器那你肯定要被怼死对吧对所以我觉得就是这个新版本来了还是要看一下新版本的这个玩法是的就是积极乐观的拥抱新版本相信新版本不是这个滔天大浪把我们的磨掉而且它会成为这个让我们可以在里面自由翱翔的一种这个舞台 [84:59] 我们今天没想到是如此乐观的一个收尾好的谢谢二位非常开心今天在B站做这一场直播谢谢科技设计B站谢谢B站的朋友们谢谢大家谢谢大家陪伴拜拜